一、产品与项目基本信息
Jobric是一个AI驱动的岗位匹配平台，核心差异在于完全面向求职者——市面上几乎所有招聘工具都服务于付费方（招聘方），而Jobric反过来为候选人服务。用户上传简历、设置偏好后，平台会筛选整个市场，只给出少数值得花时间投递的岗位，并对每个岗位进行匹配度评分。
创始人Erik Chavez拥有超过15年的云与平台工程经验，从系统管理员做到副总裁级云战略，曾主导数据中心到云端的迁移项目，每年节省七位数成本，为从种子轮初创公司到财富100强企业提供过咨询。他目前是微软的高级解决方案架构师，Jobric完全用个人时间和资金在业余时间开发。
Jobric并非简单的LLM套壳产品。其核心匹配逻辑、评分系统和数据工程是自研的专有技术，完全不调用大模型。在此基础上，Erik运行了一批自托管的小型语言模型来处理AI擅长的狭窄任务，底层工程保证了匹配准确性和成本可控。
二、商业结果
-
收入规模：2024年5月1日上线，不到两个月实现$3.3K月经常性收入（MRR）
-
付费验证：全部收入来自公开测试后的求职者自掏腰包付费
-
成本结构：固定托管成本约$20/月，采用任务级路由——小型自研模型处理高量匹配任务（边际成本接近零），仅复杂推理任务调用前沿模型
-
经济模型：匹配成本随规模增长而下降，与传统AI产品“更多用户=更多API调用=利润更薄”的经济模型完全相反
三、创业过程分析
第一步：颠覆行业共识——求职者愿意为有价值的东西付费
整个招聘行业默认求职者不愿付费，因为LinkedIn和Indeed等平台已经训练用户期待免费服务。Erik选择挑战这个假设——产品做出来之后，求职者确实愿意为真正对自己有用的匹配服务买单。
第二步：技术架构——工程优先，AI第二
Jobric的核心竞争力在架构设计。Erik没有简单套用LLM API处理所有请求，而是采用了分层策略：
-
专有匹配引擎：核心匹配逻辑、评分系统和数据工程完全不依赖大模型，是自研的专有技术
-
小型自研模型：处理分类等高量任务，边际成本接近零
-
前沿模型仅用于复杂推理：只有真正需要高端推理的任务才调用大模型
这种架构让成本不随用户增长而线性上升——匹配成本反而随规模扩大而降低。
第三步：Beta测试——收集信号而非回应每个声音
Beta测试阶段，Erik的心态是：没有单条反馈代表一切。一个人说产品很烂不代表所有人都这么想，一个人要求某个功能也不意味着应该马上就去开发。他的目标是收集足够的信号，而不是对每个声音做出反应。很多UI改进和产品呈现方式的调整，恰恰来自Beta用户的真实反馈。
第四步：增长与定价——在感到舒服之前就开始收费
Erik的核心原则是：在感到舒服之前就开始收费。免费用户几乎不提供有价值的信息，而一个付费的陌生人却能告诉你一切。
四、创业启发
1. 挑战行业共识，而非盲目追随
整个行业都说求职者不愿付费，Erik用产品证明了他们愿意——当产品真正为他们的利益服务时。
2. 工程优先于AI，成本是护城河
太多AI产品只是简单包装LLM API，最终在4-5个月后撞上成本墙，被迫重写或涨价。Jobric的架构让成本随规模下降——这才是真正的护城河。
3. 在感到舒服之前就收费
等待产品“完美”再收费是最昂贵的延迟。免费用户的反馈几乎毫无价值，付费陌生人的反馈才有意义。
4. 全职工作不是借口，是纪律
每天5am到10pm的节奏证明了：时间不是问题，优先级才是。
5. 用“顾问团”替代联合创始人
Erik没有找全职联合创始人，而是组建了一个由CISO、法务顾问、CFO和已退出创始人组成的顾问团。这是单人创始人的聪明中间路径——既不需要让出50%股权，也不需要独自面对所有决策。